MALIN HEDMAN: Kan AI förbättra trumhinnediagnostik i primärvården?

Projektbeskrivning

Mediaotit är en vanlig diagnos som kan leda till allvarliga komplikationer om det inte behandlas korrekt. I vår del av världen är dock överbehandling med antibiotika ett större problem vilket delvis beror på överdiagnosticering av tillståndet. En majoritet av patienterna behandlas via primärvården, dock finns begränsad kunskap om träffsäkerhet vid mediaotit inom primärvården idag. Forskningsprojektet eHEar vid Umeå Universitet arbetar med att utveckla ett nytt diagnostiskt verktyg i form av en smartphone-applikation kopplad till ett digitalt otoskop. Genom en kombination av digitala bilder, akustisk reflektometri och artificiell intelligens (AI) i form av faltningsnät för bildtolkning skulle detta verktyg kunna bidra till förbättrad diagnostisk träffsäkerhet. Förståelse för hur ny teknik, baserad på AI, påverkar läkares bedömningar samt vilka attityder som råder gentemot AI i vården bland användare utgör viktigt underlag inför en klok och hållbar implementering.

Syfte

Att undersöka om ny teknologi tillsammans med AI kan förbättra diagnostisk träffsäkerhet vid mediaotit och identifiera vad som krävs för att den ska vara pålitlig, säker och användbar ur ett primärvårdsperspektiv. 

Metod

Studie I: Diagnostisk träffsäkerhet av mediaotit med och utan ett fiktivt AI-stöd – en studie bland läkare i primärvård och läkarstudenter. En enkätstudie där respondenterna ombeds bedöma högkvalitativa trumhinnebilder i två omgångar, där de den andra gången får ett fiktivt AI-stöd. En expertpanel avgör korrekt diagnos. Utifrån insamlade data beräknas diagnostisk träffsäkerhet och säkerhet i bedömning bland respondenterna, samt technological impact för att se hur deras bedömningar påverkas av AI-stödet.  

                                                                                              
Studie II: Attityder till AI-baserade hjälpmedel för trumhinnediagnostik – en studie inom primärvården i Västerbotten. En intervjustudie bland läkare i primärvården och distriktssköterskor. Målet är att inkludera en heterogen grupp om ca 10–15 deltagare. Semistrukturerade intervjuer utifrån en intervjuguide spelas in, transkriberas och analyseras i enlighet med kvalitativ innehållsanalys. 

  
Studie III: Diagnostisk träffsäkerhet vid mediaotit för faltningsnät respektive allmänläkare samt tillsammans för klassificering av trumhinnebilder och rörlighetsinformation i kombination med symtom. En prospektiv, klinisk multicenterstudie där patienter med symtom på mediaotit bjuds in att delta. Efter sedvanlig handläggning blir de undersökta av en forskningssköterska med digital otoskopi, tympanometri och akustisk reflektometri. Dessa data och information om symtom tas till laboratoriet där de matas in i eHEar-teamets nya AI-modell som ger sin bedömning. En expertpanel avgör korrekt diagnos varpå träffsäkerhet för läkare och AI-modell beräknas. Uppföljning: Deltagande läkare får i ett senare skede se bilder från patientfall de haft och göra en ny bedömning, därefter med tillägg av akustisk reflektometri, och slutligen med tillägg av AI-stödet. Träffsäkerhet och technological impact beräknas.  

                                                           
Studie IV: Fokusgruppsintervju i syfte att utforska förutsättningar för utökad trumhinnediagnostik samt attityder och kunskaper kring AI i vården- en co-designprocess. Förlängning av den tredje studiens uppföljningsdel, där deltagande läkare får medverka i en fokusgruppsintervju.                             

Relevans

Utveckling av en ny metod för trumhinnediagnostik med förhoppning om bättre diagnostisk träffsäkerhet, ökad patientsäkerhet, tidsbesparing och minskat tryck på resistensutveckling av antibiotika. I en tid med stora tekniska framsteg identifiera förutsättningar för implementering av AI-verktyg i primärvården.